一种自相似性约束的高光谱影像解混方法技术

本发明专利技术提出一种自相似性约束的高光谱影像解混方法，主要解决现存基于非负矩阵分解的解混方法精度不高，并且没有充分利用原始数据复杂的上下文信息的问题。该方法包括以下步骤，步骤一、输入待分解的高光谱图像，构建带有空间‑光谱约束的稀疏NMF解混框架；步骤二、利用K‑means++聚类算法通过高光谱图像块之间的相似性来探索图像中的全局空间结构信息；同时，利用自适应的超像素分割来挖掘邻域内像素之间的光谱相似性；步骤三、利用子空间内像素的自表达特性将全局空间相似组和局部光谱相似组内的所有像素进行稀疏编码，步骤四、采用ADMM算法迭代求解端元矩阵和丰度矩阵；步骤五、完成高光谱影像Y的解混。

A self similarity constrained method for hyperspectral image unmixing

【技术实现步骤摘要】
一种自相似性约束的高光谱影像解混方法
本专利技术涉及图像处理领域，具体涉及一种自相似性约束的高光谱影像解混方法，该方法是一种混合像元分解技术，可以用于环境监测、灾害估计和矿产资源勘探等方面。
技术介绍
高光谱成像是一种在同一场景中能够同时获取数百个光谱单波段图像的新兴技术。这些高维光谱图像极大地丰富了数据信息，特别是在目标识别、图像分类、医学图像分析和矿产资源勘查等领域都具有巨大的应用潜力。然而，高光谱图像由于成像原理的限制一般在具有高光谱分辨率的同时也具有较低的空间分辨率，即高光谱图像上的单个像素会对应于地面较大区域。由此，高光谱图像中的像素一般都不是纯净的，大都由多个地物光谱混合而成。所以，为了提高高光谱图像的应用，解混技术应运而生，即自动识别图像中的所有纯净物质(也称为端元)，并对每种物质在单个像元中所占的分数进行估计。在高光谱的线性解混模型中，非负矩阵分解(NMF)及其变形越来越多地被应用到解混中。NMF通过学习一个原始数据的基表达将数据分解为两个非负的因子矩阵。当这一理论应用于高光谱解混中时，NMF可以同时估计出端元矩阵和丰度本文档来自技高网...

【技术保护点】
1.一种自相似性约束的高光谱影像解混方法，其特征在于，包括以下步骤：/n步骤一、输入待分解的高光谱图像Y，构建带有空间-光谱约束的稀疏NMF解混框架；/n将空间-光谱约束正则项嵌入到稀疏NMF框架中，得到目标函数式：/n

【技术特征摘要】
1.一种自相似性约束的高光谱影像解混方法，其特征在于，包括以下步骤：
步骤一、输入待分解的高光谱图像Y，构建带有空间-光谱约束的稀疏NMF解混框架；
将空间-光谱约束正则项嵌入到稀疏NMF框架中，得到目标函数式：



其中，Y为输入的高光谱图像，M为端元矩阵，A为丰度矩阵，||·||F是矩阵的Frobenius模；为一个L1/2正则化项；Ω(Y)为空间-光谱自相似性约束正则项；λ1和λ2分别为稀疏约束和自相似性约束的权重系数；ar,n表示单个像元中各端元的丰度系数；
步骤二、利用K-means++聚类算法通过高光谱图像块之间的相似性来探索图像中的全局空间结构信息；同时，利用自适应的超像素分割来挖掘邻域内像素之间的光谱相似性；
2.1)将高光谱图像Y的原始三维形式在空间上分割成重叠步长为1的W×W三维立体块，将每个三维立体块拉成一个一维列向量后建立一个新的数据V；随后，采用K-means++算法对数据V进行聚类，得到P个聚类组：χ＝{G1,G2,...,GP}，其中每个组的集合为gn表示每个组内的向量个数，将上述得到的P个聚类组称为原始高光谱图像中的全局空间相似组，且每个组内的向量都高度相似；
2.2)将高光谱图像Y利用PCA降维获得前三个主成分后，采用SLIC算法对三维高光谱数据进行超像素分割，之后将分割标签映射回原始高光谱数据，得到原始图像的超像素分割结果：o＝{L1,L2,...,LQ}，其中，Q表示超像素块的个数，将上述得到的Q个分割组也称为原始高光谱图像的局部光谱相似组，且组内每个向量都在高度相似；
步骤三、利用子空间内像素的自表达特性将步骤2.1)中得到的全局空间相似组和2.2)中得到的局部光谱相似组内的所有像素进行稀疏编码，具体公式如下：






由于yp和yl均是高光谱图像中的像素，因此，将子空间内的表达推广到整个图像区域，得到：


...

【专利技术属性】
技术研发人员：卢孝强，董乐，刘康，
申请(专利权)人：中国科学院西安光学精密机械研究所，
类型：发明
国别省市：陕西;61